本发明涉及一种gps失效位置预测定位方法,属于大数据处理技术领域。
背景技术:
随着现代科技的飞速发展,全球定位系统gps应用的范围在不断扩大,精度的要求也越来越高。gps可以提供精确的三维坐标,全天候作业,卫星信号覆盖全球,并且不受用户数量限制,已经成为军用制导、军用定位、民用导航、定位的主要技术,特别是近几年来高精度的实时动态定位技术(rtk)的发展,相对于常规的gps测量方法都需要事后进行解算才能获得高精度,rtk是一种能够在野外实时得到高精度的测量方法,它的出现为各种实时控制测量带来了新曙光。gps已经能够实时地提供坐标系中的三维数据,且达到了较高的精度,使其迅速成为快速采集数据与定位的高效工具。
虽然gps系统能够实时的提供目标精确的位置信息,但其定位完全依赖于gps信号,当gps信号丢失时,就会导致导航信息丢失,位置出现混乱,影响相关控制系统的正常工作,而且这种情形大量存在于现实情况中。比如车辆进入隧道中就是比较常见的一种,另外,在某些区域受到遮挡或者卫星信号受到干扰时,也会导致gps信号丢失,出现定位混乱等问题。军事应用方面,在导弹制导过程中,导弹制导相关控制系统依赖于导弹不同时刻的位置数据,如果gps信号长时间丢失,长时间无法为控制系统提供位置数据,会对导弹的飞行带来严重的影响,甚至产生严重的后果。除了上述非人为因素的影响外,也存在人为的因素,如战场环境中,存在着敌我双方全方位的对抗,其中导航系统的对抗也是一种典型的对抗手段,敌方发射的干扰信号也会导致gps信号丢失,无法准确定位。
技术实现要素:
本发明所要解决的技术问题是克服现有技术的误差大不满足使用要求的缺陷,提供一种gps失效位置预测定位方法。
为解决上述技术问题,本发明提供一种gps失效位置预测定位方法,其特征在于,
获取一段gps设备传感器的完整样本采集数据及其对应时段的车载传感器样本数据;
采用拉格朗日插值方法对gps样本采集数据进行插值处理,使得gps样本采集数据的时间间隔与车载传感器样本数据的时间间隔相同,完成时间对齐;
计算gps样本采集插值数据中的速度变量与车载传感器样本数据中速度变量的相关系数,通过相关系数最大值对应的位置得到延时量,对gps样本采集插值数据按照此延时量进行整体平移,使其与车载传感器样本数据时间对应,实现延时校准;
将gps样本采集插值校准数据转换为北天东坐标系数据,通过北天东坐标系数据确定对应时刻位置方位角数据;
初始化预先构建的广义回归神经网络的平滑因子,所述广义回归神经网络的输入层中心为样本车载传感器数据,输入层的期望输出参数为样本车载传感器数据对应时刻的gps位置方位角数据;
另外选取一组新的车载传感器测试样本数据输入到所述预先构建的广义回归神经网络,输出预对应测试数据的测位置方位角数据;
根据对应测试数据的预测位置方位角数据与测试数据对应时刻的gps样本方位角数据构建误差函数,采用改进遗传算法优化平滑因子,按照使误差函数值最小的原则,通过优化过程确定最优平滑因子,根据最优平滑因子确定最优广义回归神经网络结构;
获取车载传感器的实时数据,输入到所述最优广义回归神经网络结构中,输出最优预测位置方位角数据,根据最优预测位置方位角数据,确定gps失效后目标的位置。
进一步的,所述采集样本数据包含时间戳、对应经度、纬度、高度、速度,并通过相关坐标转换求得航向角数据;样本车载传感器数据包括时间戳、横摆角速度、车辆速度信息、方向盘转角信息。
进一步的,所述广义回归神经网络的输入层中心为车载传感器数据样本,输入数据的期望输出参数为车载传感器输入数据对应时刻的gps样本的位置方位角数据,表达形式为:
其中,p为对应输入的车载传感器样本各个时刻的数据的矩阵(横摆角速度、车辆速度信息、方向盘转角信息),下标i表示第i个样本输入,t为上述输入数据对应时刻的gps样本的位置方位角数据的矩阵,下标i表示第i个样本对应时刻的gps样本的位置方位角数据,xi、yi、zi分别为车载传感器对应时刻的横摆角速度、方向盘转角、车辆行驶速度,azii为对应时刻计算得到的位置方位角数据,i=1,2,…,m,m为测试样本点总个数。
进一步的,所述平滑因子的初始化的计算公式为:
σ=(σx+σy+σz)/3
其中,σ为平滑因子,σx、σy、σz分别为车载传感器的车载测试横摆角速度、方向盘转角、车辆行驶速度的统计方差,
进一步的,所述预测误差值的计算过程为:
计算径向基层输出:
从车载传感器和gps设备采集到的数据中抽取部分数据组成测试样本数据,对于每一个输入的测试数据点[xniynizni],按照下列公式计算径向基层的输出
其中,i表示输入的第i个测试数据点的下标,j表示网络中第j个网络中心的下边,即p矩阵的第j行数据;
计算加和层的输出:
加和成共有上下两层,上层的输出计算公式为:
其中,eazij表示t矩阵第j行;
下层的输出计算公式为:
计算输出层的输出:
根据加和层的输出,计算网络的最终输出,得到第i个测试数据点对应的预测位置方位角数据:
其中,eps=2×10-16;
重复上述过程,计算出所有测试数据点的预测位置方位角数据。
进一步的,确定最优平滑因子的过程为:
s1、构建优化目标函数f(σ):
其中,n为测试样本的数目;
设置改进遗传算法求解需要的参数,包括最大遗传的代数、种群大小、个体长度、选择概率、交叉概率、变异概率、遗传迭代的次数;
采用二进制编码方法,种群采用生成随机数的方法生成每一个个体的染色体的值,通过编码函数将初始化的种群转换成十进制的数;
s2、将目标函数作为适应度计算函数,通过排序函数对种群的个体的适应度大小进行排序;
s3、选择操作从种群中以给定的代沟概率选择优良的个体组成新的种群,以繁殖得到下一代个体,所述选择概率采用轮盘赌选择算法,由下式计算得到
其中,pj为选择概率,fj为个体j的适应度;
s4、从种群中随机选择两个个体,根据交叉概率进行染色体交叉;
s5、交叉后的种群中染色体的每一个基因,根据变异概率对基因进行变异;
s6、根据上述过程确定新种群一,将新种群一转换成新的平滑因子;
s7、判断遗传的迭代次数是否满足给定的遗传迭代的次数,若不满足则根据s2获得的平滑因子重新计算新种群一中个体的适应度,并根据步骤s3-s6。再次确定平滑因子;若满足则输出该平滑因子为最优平滑因子。
进一步的,所述交叉的过程为:
对于每个染色体,生成0~1之间的随机数,如果该值小于指定的交叉概率,则选定的染色体进行交叉,否则染色体不参与交叉,直接复制到新的种群中。
进一步的,所述变异的过程为:
对于交叉后的种群中染色体的每一个基因,生成0~1之间的随机数,如果该值小于指定的变异概率,则选定的基因进行变异,产生新的染色体,否则不进行任何操作,直接复制到新的种群中。
进一步的,所述根据最优网络预测位置方位角数据,确定gps失效位置的过程为:
得到最优位置方位角的计算值后,根据车载传感器测得的速度数据,计算出目标在北天东坐标系下的位置信息:
btd_x_p(i)=btd_x_p(i-1)+speed_dr_use(i-1)×dt×cos(theta_p(i)×π/180)
btd_z_p(i)=btd_z_p(i-1)+speed_dr_use(i-1)×dt×sin(theta_p(i)×π/180)
由上述公式,推导得到目标在北天东坐标系下的位置,其中speed_dr_use(i-1)为车载传感器回传的上一时刻的速度信息,btd_x_p(i)为当前时刻北天东坐标系下的预测位置北向轴位置信息,btd_z_p(i)东向轴信息,btd_x_p(i-1)和btd_z_p(i-1)前一时刻的北天东坐标系下的预测位置北向轴位置信息,theta_p(i)为采用最优网络计算得到的当前时刻方位角的预测值,dt为预测的时间间隔。
通过坐标转换,把北天东坐标系下的数据转会到经纬高数据,得到目标的实时经纬高定位信息,从而确定gps失效位置。
本发明所达到的有益效果:
本发明分析目标运动传感器数据和gps定位系统数据,对训练数据完整段进行建模分析,构建相关模型,并对误差数据进行建模补偿,最终得到了位置预测模型。当gps信号丢失时,采用本发明建立的相关模型和目标运动传感器回传的数据,可完成对目标位置的精确递推预测定位,使gps传感器信号不可得到的时候,能够继续为运动目标提供精确的位置估计。对民用车载导航系统的相关领域和军用中依赖于gps而工作的各类设备均具有重大的意义。
附图说明
图1是本发明的流程示意图;
图2是广义回归神经网络结构示意图;
图3是某此实测数据的预测位置图;
图4是某此实测数据北天东坐标系下x方向的位置误差图;
图5是某此实测数据北天东坐标系下z方向的位置误差图;
图6是交叉操作示意图;
图7是变异操作示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本发明提供的一种gps失效位置预测定位方法,由以上步骤构成,各个步骤的具体实现如下:
(1)载入训练数据
载入一段gps设备传感器的采集数据及其对应时段的车载传感器数据。gps数据中主要包含时间戳、对应经度、纬度、高度、速度和航向角数据(一般gps设备数据中都包含以上信息);车载传感器数据包括时间戳、横摆角速度、车辆速度信息(车载状态传感器中都包含上述数据)。
对gps数据的时间戳进行处理,寻找其中存在的异常的点,即gps数据丢失的点,从中选取一段完整数据作为训练样本。
根据训练样本gps数据的时间戳,读取对应时间段的车载传感器数据。
(2)数据对齐
通常gps数据的时间间隔为1s,而车载传感器的时间间隔要比gps快得多,通常为100ms。因此,二者时间存在时间上的不一致,因此需要进行对齐处理。在本发明中,采用拉格朗日插值方法对gps数据进行插值处理,使得gps数据的时间间隔与车载传感器时间间隔相同。
(3)延时校准
由于gps数据与车载传感器数据由不同的渠道获得,在到达时间上会存在较大的差异。通常gps数据到达时间相比于车载传感器数据会存在较大的延时,需要进行校准。在本发明中,计算gps传感器插值后数据中的速度变量与车载传感器数据中速度变量的相关系数,通过相关系数最大值对应的位置来得到延时量。对gps插值后数据按照此延时量进行整体平移,使其与车载传感器数据对应。
(4)gps数据坐标转换
gps数据为经纬高数据,在进行数据建模时,需要把数据转换到目标起始点北天东坐标系中进行计算。先将gps经纬高数据转换到地心直角坐标系数据,在从地心直角坐标系转换到北天东坐标系。
经纬高转换为地心直角坐标系公式如下:
这里,
参考椭球体的长半径a=6378140m,椭球体的短半径b=6356755m,
地球偏心率
其中(l,b,h)依次为gps经纬高数据,(xo,yo,zo)为转换后的地心直角坐标系数据,在通过地心与目标北天东的转换矩阵把数据转换到北天东坐标系下。具体坐标转换公式可查阅相关资料。
(5)位置方位角计算
根据坐标转换后的数据,计算位置方位角数据
azi=atan(diff(btd_z)/diff(btd_x))×180/π
其中,atan()为反三角函数正切计算函数,diff()为差分函数,即用序列的当前值减去前一个值得到。btd_x和btd_z为gps坐标数据转换到北天东坐标系下的数据值,btd_x和btd_z依次代表x轴向和z轴向的值;
(6)构建网络
构建网络,每一个样本采集数据点作为网络输入层中心,对应时刻gps位置方位角数据作为期望输出参量,即
其中,xi,yi,zi为车载传感器的三个测试数据(车载测试横摆角速度、方向盘转角、车辆行驶速度),azii为(5)对应时刻gps数据计算得到的位置方位角数据。
(7)初始化平滑因子σ
平滑因子根据使用的需要设置,或者根据上一步骤中输入的p数据方差来计算,计算公式如下:
σ=(σx+σy+σz)/3
其中,
(8)计算径向基层输出
从车载传感器和gps设备采集到的数据中抽取部分数据组成测试样本数据,对于每一个输入的测试数据点[xniynizni](对应车载测试横摆角速度、方向盘转角、车辆行驶速度),按照下列公式计算径向基层的输出
其中,i表示需要预测的第i个控制值的下标,j表示网络中第j个网络中心的下边,即步骤(1)中p矩阵的第j行数据。
(9)计算加和层的输出
加和成共有上下两层,对于每一个预测输入的测试数据变量[xniynizni],上层的输出计算公式为
下层的输出计算公式为
(10)计算输出层的输出
根据加和层的输出,计算网络的最终输出,最终输出
其中,eps=2×10-16,为了避免分母为零而附加的一个极小值。
对所有的控制点计算依次重复(8)~(10)的步骤,计算出所有测试数据点的误差值。
(11)构建优化目标函数
优化目标函数根据测试样本所有控制点的误差计算得到。目标函数如下:
(12)求解优化参数设置
设置求解需要的参数,主要包括如下参数:最大遗传的代数、种群的大小、个体的长度、选择的概率、交叉的概率、变异的概率、遗传迭代的次数。
(13)初始化种群
遗传算法在一个给定的初始化种群中进行迭代搜索。本发明中,采用二进制编码方法,生成种群采用生成随机数的方法生成每一个染色体的值,通过编码函数将初始化的种群转换成十进制的数。
(14)适应度计算
编写适应度计算函数。评估函数根据问题的优化目标来确定。在本发明中,由于求解的问题是目标函数最小值对应的参数,因此将目标函数作为适应度计算函数,其值越小则适应度越好,通过排序函数对个种群的适应度大小进行排序。
(15)选择、交叉、变异
选择操作从旧的群体中以给定的代沟概率选择优良的个体组成新的种群,以繁殖得到下一代个体,个体被选中的概率由适应度得到,适应度越大,被选中的概率也越大。本发明中选择操作采用轮盘赌选择算法,个体被选中的概率由下式计算得到
其中fj为个体j的适应度,由上一步计算得到,n为种群个体的数目。
交叉操作是从种群中随机选择两个个体,每个染色体是否交叉由给定的交叉概率决定。其过程是:对于每个染色体,生成0~1之间的随机数,如果该值小于指定的交叉概率,则选定的染色体进行交叉,否则染色体不参与交叉,直接复制到新的种群中,交叉操作如图6所示。
每两个个体按交叉概率进行交叉,进过各自的部分基因交换,产生两个新的子代。其具体操作时随机产生一个有效的交配位置,染色体交换位于交配位置后的所以基因。
变异操作是交叉后的新种群中染色体的每一个基因,根据变异概率判定该基因是否变异。其过程是:生成0~1之间的随机数,如果该值小于指定的变异概率,则选定的基因进行变异,产生新的染色体,变异操作如图7所示。
(16)生成新的种群
完成以上操作后,得到新的种群,转入步骤(4)中,重新计算生成的新种群的适应度,将生成的新种群按适应度的大小插入到旧的种群中,并更新最优染色体。
计算新生成种群中个体的适应度,根据适应度将新的个体与旧的种群进行重组,得到新的种群。
如果遗传代数小于最大遗传代数,转到步骤(5),将新种群转换成平滑因子,带入网络结构中,重新计算种群适应度,直至满足给定的遗传代数。
(17)确定最优网络结构
优化计算完成后,得到最优平滑因子,根据最优平滑因子确定最优网络结构。
(18)实时位于预测解算
当gps信号丢失时,采用(17)中确定的最优网络结构计算位置方位角。
得到位置方位角的计算值后,在根据车载传感器测得的速度数据,就可以实时计算出目标在北天东坐标系下的位置信息
(19)坐标变换输出经纬高数据
通过坐标转换,把北天东坐标系下的数据转会到经纬高数据,即可得到目标的实时经纬高定位信息(北天东坐标系转换到经纬高数据的坐标转换公式可查阅相关资料)。在后面具体实施例中,在进行预测误差分析时,为了方便分析,仍采用北天东坐标系下的数据进行误差分析。
本发明基于广义神经网络结构,采用遗传算法实现平滑因子的最优估计,分析目标运动传感器数据和gps定位系统数据,对完整段测试数据进行神经网络建模分析,构建相关神经网络模型,并结合时间序列方法对建模提取后的误差数据进行建模,当gps信号丢失时,采用模型和目标运动传感器数据对目标位置进行预测,使目标在gps传感器信号不可得到的时候,继续为运动目标提供精确的位置估计。
由图3、图4和图5所示的预测位置图和位置误差图可知,对长达400s的目标位置进行递推预测,北天东坐标系下x方向的误差不超过50m,z方向的误差不超过20m.这远低于目前主流的导航预测算法研究指标(10km预测误差不大于250m)。
通过坐标转换,把北天东坐标系下的数据转会到经纬高数据,即可得到目标的实时经纬高定位信息
本次对一段车载系统的数据进行分析,选取其中一段数据作为训练样本,求解预测神经网络模型参数,完成预测神经网络的训练。对后面的数据,采用建模得到的神经网络预测模型进行递推预测,并将预测结果与实际结果进行比较。仿真分析表明,预测了几百秒后,预测值与真实值误差均较小。
仿真结果和实验结果都表明,采用本发明的估计算法,模型相对简单,计算精度较高,而且计算时间较短,能满足实时计算的需求,能有效的解决的计算精度要求和实时性的要求。对民用车载导航系统的相关领域和军用中依赖于gps而工作的各类设备均具有重大的意义。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。